该研究由复旦大学高分子科学系聚合物分子工程国家重点实验室的Yuanyuan Song、Jiazhe Ju、Jifeng Wang、Kai Li、Xia Wang、Rui Gao、Hongbin Lu、Dongliang Chao和Ying Wang*团队完成，于2025年发表在《Advanced Materials》期刊上，题为《Multi-objective Optimization of Ionic Polymer Electrolytes for High-voltage Fast-charging and Versatile Lithium Batteries》。
学术背景
该研究属于能源材料领域，聚焦高性能锂金属电池（Lithium Metal Batteries, LMBs）和水系锂离子电池（Aqueous Lithium-ion Batteries, ALIBs）的电解质设计。传统聚合物电解质（IPEs）的开发面临高维离散化学空间搜索的难题，常规试错法成本高、效率低。为解决这一问题，团队提出一种基于贝叶斯优化（Bayesian Optimization, BO）的多目标优化框架，旨在同时提升离子电导率（ionic conductivity）、电化学稳定窗口（electrochemical stability window, ESW）和放电容量（discharge capacity），并探索其在高压快充和低成本水系电池中的应用价值。
研究流程
1. 多目标贝叶斯优化（MOBO）框架设计
- 目标函数构建：结合离子电导率（σ）、ESW（通过LNMO阴极4.9V充电测试判定）和循环容量（100次循环后3C倍率下的容量）三个指标，归一化后加权求和（公式1）。
- 化学空间定义：包含4个离散参数：PBDT聚合物浓度（5%、10%、15%）、离子液体（ILs）类型（C2mimBF4、C2mimTFO等）、锂盐混合物（FSI−:TFSI−等6种）和盐比例（0-1的7个梯度），共504种组合。
- 优化算法：采用高斯过程（Gaussian Process, GP）模型结合4种采集函数（EI、PI、UCB、Thompson采样），通过3次迭代缩减实验量至化学空间的2.8%，推荐最优配方IPE(TFSI)。
2. 高压锂金属电池验证
- 电化学性能测试：
- CV测试：在4.8V（NCM811阴极）和4.92V（LNMO阴极）下展示稳定氧化还原峰。
- 倍率性能：NCM811初始容量182.4 mAh/g（1C），LNMO为107 mAh/g（1C）；3C循环200次后容量保持率>80%。
- 机械性能：IPE(TFSI)离子电导率达3.61 mS/cm，ESW为5.6V（LSV测试）。
3. 水系电解质（Water-IPE）开发
- 制备方法：将IPE(TFSI)在湿度66%环境中暴露2天，形成含5.8%水的固态膜。
- 溶出结构分析：
- 分子动力学模拟（MDS）显示，水分子与PBDT的-SO3−形成强氢键（-75.4 kJ/mol），抑制水的反应活性。
- Li+的配位环境从非水系的[Li(FSI)2(TFSI)2]变为水系的[Li(H2O)2(FSI)(TFSI)]，加速离子传输（扩散系数提升至10⁻⁷ cm²/s）。
- ALIBs性能：
- 电化学窗口：0.5-5.6V（vs. Li+/Li），优于传统“water-in-salt”电解质（2.3V）。
- 全电池测试：LTO||LMO电池在1C下展现可逆相变（LiMn2O4→Li4Mn5O12），并通过原位同步辐射WAXD验证。
主要结果
- MOBO高效性：仅3次迭代即筛选出IPE(TFSI)，其离子电导率较传统方法提升显著（3.61 vs. mS/cm）。
- 高压性能突破：NCM811电池能量密度达391.2 Wh/kg（2170 W/kg），LNMO为244.9 Wh/kg（1594 W/kg）。
- 水系电解质创新：Water-IPE(TFSI)在无手套箱环境中制备，电导率达8.9 mS/cm，且抑制析氢（OEMS检测H₂信号可忽略）。
结论与价值
- 科学意义：提出了一种处理高维离散参数和多目标优化的通用框架，为材料发现提供了新范式。
- 应用价值：IPE(TFSI)可同时满足电动汽车高压快充和电网级储能的安全需求，Water-IPE的低成本制备推动了ALIBs的实用化。
研究亮点
- 方法创新：首次将MOBO应用于聚合物电解质设计，通过混合采集函数规避局部最优。
- 性能突破：IPE(TFSI)在4.92V超高截止电压下仍保持稳定循环，水系电解质窗口达5.1V。
- 跨领域应用：同一电解质体系适配LMBs和ALIBs，展示了极强的通用性。
其他价值
研究代码开源（GitHub），同步辐射和OEMS等表征手段为固态电解质界面研究提供了新工具。该工作为复杂材料体系的机器学习辅助开发树立了标杆。